分子ドッキングと自己注意による生物活性予測の進展

生物活性とは、物質が生体内で生物学的効果を引き起こす能力を指し、分子、薬物、または化学物質が生物に与える影響を説明することが多いです。薬物発見において、生物活性を予測することは、潜在的な活性分子を迅速に特定することによって初期段階の候補スクリーニングを効率化します。生物活性予測における人気のある深層学習手法は、定量的構造-活性関係（QSAR）の前提の下、リガンド構造と生物活性の関係を主にモデル化します。しかし、生物活性はリガンド構造だけでなく、薬物-標的相互作用、シグナル伝達経路、反応環境、薬物動態特性、および種の違いなど、複数の要因によって決定されます。我々の研究では、まず生物活性予測に薬物-標的相互作用を統合するために、分子ドッキングからのタンパク質-リガンド複合体データを使用します。我々は、相互原子力を分子グラフに注入する薬物-標的相互作用グラフニューラルネットワーク（DTIGN）を考案しました。DTIGNは、多頭自己注意を用いて分子ドッキング結果内のネイティブ様結合ポケットとポーズを特定します。自己注意メカニズムの正確性を検証するために、我々は結晶構造データベースからグラウンドトゥルースデータを収集します。その後、これらの限られたネイティブ構造を用いて半教師あり学習を通じて生物活性予測を洗練します。本研究では、タンパク質-リガンド複合体の文脈における生物活性予測モデルを評価するための独自のベンチマークデータセットを確立し、9つの主要な深層学習ベースの生物活性予測手法との比較を通じて我々の手法の優れた性能（平均改善率27.03%）を示します。